Бесплатные курсовые

    Простая нейронная сеть на JAVA
    Создадим простую нейронную сеть
    
    Объявление списка нейронов
    
    // Нейроны и их номер (для придания наглядности выводимым в Log данным) List<Object> nlist = Arrays.asList(new Neuron(), 0, new Neuron(), 1, new Neuron(), 2, new Neuron(), 3, new Neuron(), 4, new Neuron(), 5);
    
    Активация нейрона
    
     private Double bias = randomnextDouble(-1, 1); // Bias - смещение public Double weight1 = randomnextDouble(-1, 1); // Вес 1 private Double weight2 = randomnextDouble(-1, 1); // Вес 2 //----- Функция активации нейрона. Самая простая ------------- // Функция активации - от RND заполняется Вес1, Вес2 и смещение для каждого нейрона public double randomnextDouble(double start, double end) { // Random DOUBLE double random = new Random().nextInt(); double result = start + (random * (end - start)); return (result); }
    
    Вычисляем выходные данные нейрона
    
     // Когда мы вычисляем выходные данные нейрона, мы следуем алгоритму: // умножаем каждый входной сигнал на его вес плюс // смещение: вход1 * вес1 + вход2 * вес2 + смещение . Это дает нам необработанные // вычисления (т. е. preActivation), которые мы запускаем через функцию активации. // В этом случае мы используем функцию активации Sigmoid , которая сжимает значения // в диапазон от -1 до 1. public double compute(double input1, double input2, int nnum){ // Вычисляем выходные данные нейрона nnum // this.input1 = input1; this.input2 = input2; Log.i("== TRAIN =", " == == Neuron Number == == " + String.valueOf(nnum)); Log.i("== TRAIN =", " == == public Double predict == == weight1=" + String.valueOf(weight1)); Log.i("== TRAIN =", " == == public Double predict == == weight2=" + String.valueOf(weight2)); Log.i("== TRAIN =", " == == public Double predict == == bias=" + String.valueOf(bias)); // preActivation - необработанные данные нейрона (от фонаря) - до Сигмоида double preActivation = (this.weight1 * input1) + (this.weight2 * input2) + this.bias; // Вес 1*Вход 1 + Вес 2*Вход 2 * Смещение Log.i("== TRAIN =", " == == public Double predict == == input1=" + String.valueOf(input1) + " input2=" + String.valueOf(input2)); Log.i("== TRAIN =", " == == public Double predict == == weight1 * input1=" + String.valueOf(this.weight1 * input1)); Log.i("== TRAIN =", " == == public Double predict == == weight2 * input2=" + String.valueOf(this.weight2 * input2)); // Пропускаем необработанные данные preActivation - через Сигмоид double output = Util.sigmoid(preActivation); // Диапазон значений output - // [0,1]. Класс Util функция активации(метод) sigmoid(preActivation) // Здесь preActivation - необработанные вычисления - умножанные каждый входной сигнал на его вес плюс смещение: // вход1 * вес1 + вход2 * вес2 + смещение Log.i("== TRAIN =", " == == public Double predict == == Util.sigmoid(preActivation)=" + String.valueOf(output) + " <-- Neuron Output"); Log.i("== TRAIN =", " == ===================================================================== == "); return output; }
    

Neural network

    Забегая вперед. В данном примере нейроны инициализируются от генератора случайных чисел. В PRNG, который мы напишем на основе нейронной сети стартовые значения весов и смещений нейронов будут задаваться на основе данных мастер-ключа. Т.е. определяться входными данными. Поменять потом это будет не сложно.
    Выходные значения нейронов будем использовать для создания массива чисел. В данном примере - 6 элементов массива.
    Из каждого из 6 чисел будем выбирать бит чётности (младший бит) и накапливать их них псевдослучайное число - заполняя в нём биты по возрастанию (слева направо).
    За один шаг можем заполнить 6 бит.
    Как заполнить дальше и получить псевдослучайное чмсло любого размера
    
    Читаем ДАЛЕЕ >>